7eaddd9a54
ML - устранение неточностей и багов ML - оптимизация производительности DecisionTreeRegressor.Fit, RandomForestRegressor.Fit ML - тесты
36 lines
1.1 KiB
ObjectPascal
36 lines
1.1 KiB
ObjectPascal
// Pipeline для регрессии на DataFrame с категориальным признаком.
|
||
//
|
||
// В этом примере:
|
||
// • числовые признаки подаются в модель напрямую;
|
||
// • категориальный признак renovation кодируется через OneHotEncoder;
|
||
// • затем все признаки масштабируются;
|
||
// • после этого обучается линейная регрессия.
|
||
uses MLABC;
|
||
|
||
begin
|
||
var ds := Datasets.MoscowHousing;
|
||
var df := ds.Data;
|
||
|
||
var features := ['rooms', 'area', 'kitchen_area', 'floor', 'floors_total', 'metro_minutes', 'renovation'];
|
||
var target := 'price';
|
||
|
||
var (trainDf, testDf) := df.TrainTestSplit(0.2, seed := 42);
|
||
|
||
var pipe :=
|
||
DataPipeline.Build(
|
||
TaskKind.tkRegression,
|
||
target,
|
||
features,
|
||
new OneHotEncoder('renovation'),
|
||
new StandardScaler,
|
||
new LinearRegression
|
||
);
|
||
|
||
pipe.Fit(trainDf);
|
||
|
||
var pred := pipe.Predict(testDf);
|
||
var y := testDf.ToVector(target);
|
||
|
||
Println($'R²: {Metrics.R2(y, pred):F3}');
|
||
end.
|